一种无人机检测方法、装置、计算机设备和存储介质与流程

1.本技术涉及计算机技术领域，特别是涉及一种面向智慧保卫的无人机检测方法、装置、计算机设备和存储介质。


背景技术：

2.近几年随着居民拥有无人机数量的增加，导致很多安全事故发生，引起了人们的重视。虽然市面上有很多的无人机检测方法，如采用激光雷达、红外摄像头等方式。但是，在城市背景下使用激光雷达、红外摄像头的方式去检测无人机小目标，会因为城市高空环境复杂，导致无人机目标的检出率低下，甚至产生大量的误检测。
3.随着互联网和人工智能应用的深入融合，安全防护的工作也逐步走向智能化。智慧保卫便是利用电子信息技术进行安全防护，通过网络与治安管理部门进行协调，改变了传统的报警方式，极大地节省人工成本，同时也极大地提高存在安全隐患行为的捕获率。市区中已大量部署普通摄像头，若通过在普通摄像头捕获的视频中检测出无人机小目标，便可以在节省大量人力物力的前提下达到检测小目标无人机的需求，符合可持续发展的需求。但由于存在无人机目标小、像素模糊等干扰检测的因素，导致传统的检测方法对无人机的检出率较低，从而较难实现无人机安全事故的预防，难以及时消除安全隐患。因此，现有技术存在效果不好、适应性不佳的问题。


技术实现要素：

4.基于此，有必要针对上述技术问题，提供一种能够利用已部署摄像头实现智慧保卫的无人机检测方法、装置、计算机设备和存储介质。
5.一种无人机检测方法，所述方法包括：
6.在训练阶段，获取包括无人机目标的训练数据集，进行标注并预处理后得到输入图像；
7.将所述输入图像输入改进的yolov5网络进行无人机检测；所述改进的yolov5网络减少了主干网络的下采样层数，去除了原yolov5网络的第三个检测头支路，将原yolov5第二个检测头支路的输出进一步上采样后与主干网络第四层的输出进行拼接，得到第一检测头支路的输出；
8.通过所述训练数据集对所述改进的yolov5网络进行训练，得到训练好的无人机检测网络；
9.在应用阶段，获取城市监控摄像头的实时视频数据，通过运动目标检测算法从所述实时视频数据中提取包含可疑目标的帧图像，并确定可疑目标的位置信息；
10.将所述包含可疑目标的帧图像拆分成多个候选区域，根据所述可疑目标的位置信息确定所述多个候选区域中包含可疑目标的候选区域；
11.将所述包含可疑目标的候选区域图像输入所述训练好的无人机检测网络，进行无人机检测，若检测判定所述可疑目标为无人机，则输出标有目标框的检测结果。
12.在其中一个实施例中，还包括：获取包括无人机目标的训练数据集；
13.对所述训练数据集中的图像进行目标标注，并进行人工复检；
14.对标注后的图像进行放缩、随机裁剪、翻转操作中的至少一项，得到预处理后的输入图像。
15.在其中一个实施例中，还包括：将所述包含可疑目标的帧图像等分成左上、右上、左下和右下四个候选区域。
16.在其中一个实施例中，还包括：以所述包含可疑目标的帧图像为原图，将所述原图等分成左上、右上、左下和右下四个区域，得到四个候选区域；
17.在所述四个候选区域每两个相邻候选区域构成的图像中间选取四分之一原图大小的区域，再得到四个候选区域；
18.在所述原图的中央选取四分之一原图大小的区域，得到另一个候选区域；
19.通过图片拆分共得到九个候选区域。
20.在其中一个实施例中，在将所述包含可疑目标的候选区域图像输入所述训练好的无人机检测网络之前，还包括：对所述包含可疑目标的候选区域图像进行超分辨率重建。
21.在其中一个实施例中，还包括：将所述包含可疑目标的候选区域图像输入所述训练好的无人机检测网络，进行无人机检测；
22.若检测判定所述可疑目标为无人机，将所述候选区域图像中检测出的目标框映射回原图，计算目标相对原始图像的位置，在原图中进行标注；
23.输出标有目标框的图片或视频。
24.在其中一个实施例中，在输出标有目标框的图片或视频后，还包括：保存出现无人机目标的视频图像帧。
25.一种无人机检测装置，所述装置包括：
26.训练集获取模块，用于在训练阶段，获取包括无人机目标的训练数据集，进行标注并预处理后得到输入图像；
27.训练模块，用于将所述输入图像输入改进的yolov5网络进行无人机检测；所述改进的yolov5网络减少了主干网络的下采样层数，去除了原yolov5网络的第三个检测头支路，将原yolov5第二个检测头支路的输出进一步上采样后与主干网络第四层的输出进行拼接，得到第一检测头支路的输出；通过所述训练数据集对所述改进的yolov5网络进行训练，得到训练好的无人机检测网络；
28.可疑目标确定模块，用于在应用阶段，获取城市监控摄像头的实时视频数据，通过运动目标检测算法从所述实时视频数据中提取包含可疑目标的帧图像，并确定可疑目标的位置信息；
29.候选区域确定模块，用于将所述包含可疑目标的帧图像拆分成多个候选区域，根据所述可疑目标的位置信息确定所述多个候选区域中包含可疑目标的候选区域；
30.无人机检测模块，用于将所述包含可疑目标的候选区域图像输入所述训练好的无人机检测网络，进行无人机检测，若检测判定所述可疑目标为无人机，则输出标有目标框的检测结果。
31.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
32.在训练阶段，获取包括无人机目标的训练数据集，进行标注并预处理后得到输入图像；
33.将所述输入图像输入改进的yolov5网络进行无人机检测；所述改进的yolov5网络减少了主干网络的下采样层数，去除了原yolov5网络的第三个检测头支路，将原yolov5第二个检测头支路的输出进一步上采样后与主干网络第四层的输出进行拼接，得到第一检测头支路的输出；
34.通过所述训练数据集对所述改进的yolov5网络进行训练，得到训练好的无人机检测网络；
35.在应用阶段，获取城市监控摄像头的实时视频数据，通过运动目标检测算法从所述实时视频数据中提取包含可疑目标的帧图像，并确定可疑目标的位置信息；
36.将所述包含可疑目标的帧图像拆分成多个候选区域，根据所述可疑目标的位置信息确定所述多个候选区域中包含可疑目标的候选区域；
37.将所述包含可疑目标的候选区域图像输入所述训练好的无人机检测网络，进行无人机检测，若检测判定所述可疑目标为无人机，则输出标有目标框的检测结果。
38.一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
39.在训练阶段，获取包括无人机目标的训练数据集，进行标注并预处理后得到输入图像；
40.将所述输入图像输入改进的yolov5网络进行无人机检测；所述改进的yolov5网络减少了主干网络的下采样层数，去除了原yolov5网络的第三个检测头支路，将原yolov5第二个检测头支路的输出进一步上采样后与主干网络第四层的输出进行拼接，得到第一检测头支路的输出；
41.通过所述训练数据集对所述改进的yolov5网络进行训练，得到训练好的无人机检测网络；
42.在应用阶段，获取城市监控摄像头的实时视频数据，通过运动目标检测算法从所述实时视频数据中提取包含可疑目标的帧图像，并确定可疑目标的位置信息；
43.将所述包含可疑目标的帧图像拆分成多个候选区域，根据所述可疑目标的位置信息确定所述多个候选区域中包含可疑目标的候选区域；
44.将所述包含可疑目标的候选区域图像输入所述训练好的无人机检测网络，进行无人机检测，若检测判定所述可疑目标为无人机，则输出标有目标框的检测结果。
45.上述无人机检测方法、装置、计算机设备和存储介质，通过对yolov5网络进行改进，减少主干网络的下采样层数，去除原yolov5网络的第三个检测头支路，将原yolov5第二个检测头支路的输出进一步上采样后与主干网络第四层的输出进行拼接；通过训练数据集对改进的yolov5网络进行训练后得到训练好的无人机检测网络；在应用阶段，获取城市监控摄像头的实时视频数据，通过运动目标检测算法从实时视频数据中提取包含可疑目标的帧图像，并确定可疑目标的位置信息；将包含可疑目标的帧图像拆分成多个候选区域，根据可疑目标的位置信息确定多个候选区域中包含可疑目标的候选区域；将包含可疑目标的候选区域图像输入训练好的无人机检测网络，进行无人机检测，若检测判定可疑目标为无人机，则输出标有目标框的检测结果。本发明通过减少网络层数，减少下采样率，保证小目标
在较后的网络层级仍保留有效信息，提高了检测网络对无人机的检出率，通过运动目标检测和图像拆分操作大大减少了计算成本，提高了算法的效率和检测的实时性。
附图说明
46.图1为一个实施例中无人机检测方法的流程示意图；
47.图2为一个实施例中改进的yolov5网络结构示意图；
48.图3为一个实施例中候选区域的拆分示意图，其中(a)为将原图等分成左上、右上、左下和右下四个区域，(b)为在四个候选区域每两个相邻候选区域构成的图像中间选取四分之一原图大小的区域，再得到四个候选区域，(c)为在原图的中央选取四分之一原图大小的区域所得到的候选区域；
49.图4为另一个实施例中无人机检测方法的流程示意图；
50.图5为一个实施例中无人机检测装置的结构框图；
51.图6为一个实施例中计算机设备的内部结构图。
具体实施方式
52.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
53.在一个实施例中，如图1所示，提供了一种无人机检测方法，包括以下步骤：
54.步骤102，在训练阶段，获取包括无人机目标的训练数据集，进行标注并预处理后得到输入图像。
55.首先，采集训练数据集；然后，对采集到的数据进行人工标注；标注完成之后需要进行人工复检，防止存在标注不好的样本对后续的训练造成干扰；之后便需要对数据进行预处理，其中包括放缩、随机裁剪、翻转等操作，保证数据包含特征的多样性。
56.步骤104，将输入图像输入改进的yolov5网络进行无人机检测。
57.改进的yolov5网络减少了主干网络的下采样层数，去除了原yolov5网络的第三个检测头支路，将原yolov5第二个检测头支路的输出进一步上采样后与主干网络第四层的输出进行拼接，得到第一检测头支路的输出。
58.如图2所示，模块0-7构成主干网络，在原yolov5网络中，模块6之后还有一层下采样，但在本发明改进的yolov5网络中，减少了主干网络的下采样层数，使得后层网络仍然可以学习到小目标的特征。
59.当网络层数比较深时，深层次的特征对检测的贡献较弱，本发明中去除了原yolov5网络的第三个检测头支路，提高算法运行效率。
60.将原yolov5第二个检测头支路的输出进一步上采样后与主干网络第四层，即模块3的输出进行拼接，可增加网络对无人机小目标的捕获率。
61.步骤106，通过训练数据集对改进的yolov5网络进行训练，得到训练好的无人机检测网络。
62.考虑到需要进行边缘计算，在接近原始模型的精确的同时，最大程度的降低模型的参数量。
63.在训练过程中，反复的验证是否达到期望的效果，若未达到，则重新处理数据、迭代网络模型参数等，使其效果越来越逼近期望效果。
64.步骤108，在应用阶段，获取城市监控摄像头的实时视频数据，通过运动目标检测算法从实时视频数据中提取包含可疑目标的帧图像，并确定可疑目标的位置信息。
65.首先通过运动目标检测方法，提取出可疑目标。因为在实际应用场景中，绝大部分情况下是静止的纯背景，若每一帧都进行深度学习目标检测，将耗费较大的计算成本。而本发明将提取到可疑目标的帧图像进行基于深度学习的无人机检测，可节约计算成本，提高算法效率。
66.本发明利用城市中已部署的普通摄像头所获取的视频图像进行无人机检测，通过对yolov5模型的优化克服了无人机目标小、像素模糊等干扰检测的因素，可以在节省大量人力物力的前提下达到检测小目标无人机的需求。
67.步骤110，将包含可疑目标的帧图像拆分成多个候选区域，根据可疑目标的位置信息确定多个候选区域中包含可疑目标的候选区域。
68.考虑到深度学习目标检测部分的计算成本，故将原始图像分割成若干个个候选区域，通过视频目标运动特征，定位小目标无人机所处于的候选区域，避免对不存在目标的区域的无效检测，从而达到减少计算成本的目的。
69.步骤112，将包含可疑目标的候选区域图像输入训练好的无人机检测网络，进行无人机检测，若检测判定可疑目标为无人机，则输出标有目标框的检测结果。
70.若有多个候选区域包含可疑目标，且目标对应到原图的位置不重叠，则将每个包含可疑目标的候选区域图像都输入无人机检测网络；若有多个候选区域包含可疑目标，但目标对应到原图的相同位置，则对于每个目标选取其中一张候选区域图像输入无人机检测网络。
71.上述无人机检测方法中，通过对yolov5网络进行改进，减少主干网络的下采样层数，去除原yolov5网络的第三个检测头支路，将原yolov5第二个检测头支路的输出进一步上采样后与主干网络第四层的输出进行拼接；通过训练数据集对改进的yolov5网络进行训练后得到训练好的无人机检测网络；在应用阶段，获取城市监控摄像头的实时视频数据，通过运动目标检测算法从实时视频数据中提取包含可疑目标的帧图像，并确定可疑目标的位置信息；将包含可疑目标的帧图像拆分成多个候选区域，根据可疑目标的位置信息确定多个候选区域中包含可疑目标的候选区域；将包含可疑目标的候选区域图像输入训练好的无人机检测网络，进行无人机检测，若检测判定可疑目标为无人机，则输出标有目标框的检测结果。本发明通过减少网络层数，减少下采样率，保证小目标在较后的网络层级仍保留有效信息，提高了检测网络对无人机的检出率，通过运动目标检测和图像拆分操作大大减少了计算成本，提高了算法的效率和检测的实时性。
72.在其中一个实施例中，还包括：获取包括无人机目标的训练数据集；对训练数据集中的图像进行目标标注，并进行人工复检；对标注后的图像进行放缩、随机裁剪、翻转操作中的至少一项，得到预处理后的输入图像。
73.在其中一个实施例中，还包括：将包含可疑目标的帧图像等分成左上、右上、左下和右下四个候选区域。
74.如果可以容忍目标因处于边界处而被漏检的情况，则将帧图像按照图3(a)的划分
方法进行分割即可。
75.在其中一个实施例中，还包括：以包含可疑目标的帧图像为原图，将原图等分成左上、右上、左下和右下四个区域，得到四个候选区域；在四个候选区域每两个相邻候选区域构成的图像中间选取四分之一原图大小的区域，再得到四个候选区域；在原图的中央选取四分之一原图大小的区域，得到另一个候选区域；通过图片拆分共得到九个候选区域。
76.如图3所示是九个候选区域的划分方法，图3(a)所展示的是将原始图片等分成4份，图3(b)所展示的为于图3(a)的基础上在边框交界处选取四分之一原图大小的区域，图3(c)所展示的是，于图3(b)的基础上在四个框的交界处选取四分之一原图大小的区域。这样做的目的主要是为了防止目标处于边界区域而被分割导致检测不到的情况。
77.在其中一个实施例中，在将包含可疑目标的候选区域图像输入训练好的无人机检测网络之前，还包括：对包含可疑目标的候选区域图像进行超分辨率重建。
78.考虑到空中的无人机目标小的情况，使用超分辨率重建方法可以放大无人机的特征。
79.在其中一个实施例中，还包括：将包含可疑目标的候选区域图像输入训练好的无人机检测网络，进行无人机检测；若检测判定可疑目标为无人机，将候选区域图像中检测出的目标框映射回原图，计算目标相对原始图像的位置，在原图中进行标注；输出标有目标框的图片或视频。
80.在其中一个实施例中，在输出标有目标框的图片或视频后，还包括：保存出现无人机目标的视频图像帧。
81.记录出现无人机目标的视频帧，可供后续复检。
82.应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
83.在另一个具体实施例中，如图4所示，提供了一种无人机检测方法，分为训练阶段和应用阶段。训练阶段用于对采集数据标注及预处理后，进行网络的训练，达到应用需求后保存模型。应用阶段通过背景差分算法进行初步的运动目标检测，若存在可以目标则进行图片拆分、候选区域提取、超分辨率重建操作后，通过训练好的无人机检测模型进行无人机的目标检测，并在检测到无人机后进行预警。
84.在一个实施例中，如图5所示，提供了一种无人机检测装置，包括：训练集获取模块502、训练模块504、可疑目标确定模块506、候选区域确定模块508和无人机检测模块510，其中：
85.训练集获取模块502，用于在训练阶段，获取包括无人机目标的训练数据集，进行标注并预处理后得到输入图像；
86.训练模块504，用于将输入图像输入改进的yolov5网络进行无人机检测；改进的yolov5网络减少了主干网络的下采样层数，去除了原yolov5网络的第三个检测头支路，将原yolov5第二个检测头支路的输出进一步上采样后与主干网络第四层的输出进行拼接，得
到第一检测头支路的输出；通过训练数据集对改进的yolov5网络进行训练，得到训练好的无人机检测网络；
87.可疑目标确定模块506，用于在应用阶段，获取城市监控摄像头的实时视频数据，通过运动目标检测算法从实时视频数据中提取包含可疑目标的帧图像，并确定可疑目标的位置信息；
88.候选区域确定模块508，用于将包含可疑目标的帧图像拆分成多个候选区域，根据可疑目标的位置信息确定多个候选区域中包含可疑目标的候选区域；
89.无人机检测模块510，用于将包含可疑目标的候选区域图像输入训练好的无人机检测网络，进行无人机检测，若检测判定可疑目标为无人机，则输出标有目标框的检测结果。
90.训练集获取模块502还用于获取包括无人机目标的训练数据集；对训练数据集中的图像进行目标标注，并进行人工复检；对标注后的图像进行放缩、随机裁剪、翻转操作中的至少一项，得到预处理后的输入图像。
91.候选区域确定模块508还用于将包含可疑目标的帧图像等分成左上、右上、左下和右下四个候选区域。
92.候选区域确定模块508还用于以包含可疑目标的帧图像为原图，将原图等分成左上、右上、左下和右下四个区域，得到四个候选区域；在四个候选区域每两个相邻候选区域构成的图像中间选取四分之一原图大小的区域，再得到四个候选区域；在原图的中央选取四分之一原图大小的区域，得到另一个候选区域；通过图片拆分共得到九个候选区域。
93.无人机检测模块510还用于在将包含可疑目标的候选区域图像输入训练好的无人机检测网络之前，对包含可疑目标的候选区域图像进行超分辨率重建。
94.无人机检测模块510还用于将包含可疑目标的候选区域图像输入训练好的无人机检测网络，进行无人机检测；若检测判定可疑目标为无人机，将候选区域图像中检测出的目标框映射回原图，计算目标相对原始图像的位置，在原图中进行标注；输出标有目标框的图片或视频。
95.无人机检测模块510还用于在输出标有目标框的图片或视频后，保存出现无人机目标的视频图像帧。
96.关于无人机检测装置的具体限定可以参见上文中对于无人机检测方法的限定，在此不再赘述。上述无人机检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
97.在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图6所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种无人机检测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上
设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
98.本领域技术人员可以理解，图6中示出的结构，仅仅是与本技术方案相关的部分结构的框图，并不构成对本技术方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
99.在一个实施例中，提供了一种计算机设备，包括存储器和处理器，该存储器存储有计算机程序，该处理器执行计算机程序时实现上述方法实施例中的步骤。
100.在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述方法实施例中的步骤。
101.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
102.以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
103.以上所述实施例仅表达了本技术的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本技术构思的前提下，还可以做出若干变形和改进，这些都属于本技术的保护范围。因此，本技术专利的保护范围应以所附权利要求为准。

技术特征：
1.一种无人机检测方法，其特征在于，所述方法包括：在训练阶段，获取包括无人机目标的训练数据集，进行标注并预处理后得到输入图像；将所述输入图像输入改进的yolov5网络进行无人机检测；所述改进的yolov5网络减少了主干网络的下采样层数，去除了原yolov5网络的第三个检测头支路，将原yolov5第二个检测头支路的输出进一步上采样后与主干网络第四层的输出进行拼接，得到第一检测头支路的输出；通过所述训练数据集对所述改进的yolov5网络进行训练，得到训练好的无人机检测网络；在应用阶段，获取城市监控摄像头的实时视频数据，通过运动目标检测算法从所述实时视频数据中提取包含可疑目标的帧图像，并确定可疑目标的位置信息；将所述包含可疑目标的帧图像拆分成多个候选区域，根据所述可疑目标的位置信息确定所述多个候选区域中包含可疑目标的候选区域；将所述包含可疑目标的候选区域图像输入所述训练好的无人机检测网络，进行无人机检测，若检测判定所述可疑目标为无人机，则输出标有目标框的检测结果。2.根据权利要求1所述的方法，其特征在于，获取包括无人机目标的训练数据集，进行标注并预处理后得到输入图像，包括：获取包括无人机目标的训练数据集；对所述训练数据集中的图像进行目标标注，并进行人工复检；对标注后的图像进行放缩、随机裁剪、翻转操作中的至少一项，得到预处理后的输入图像。3.根据权利要求2所述的方法，其特征在于，将所述包含可疑目标的帧图像拆分成多个候选区域，包括：将所述包含可疑目标的帧图像等分成左上、右上、左下和右下四个候选区域。4.根据权利要求3所述的方法，其特征在于，将所述包含可疑目标的帧图像拆分成多个候选区域，包括：以所述包含可疑目标的帧图像为原图，将所述原图等分成左上、右上、左下和右下四个区域，得到四个候选区域；在所述四个候选区域每两个相邻候选区域构成的图像中间选取四分之一原图大小的区域，再得到四个候选区域；在所述原图的中央选取四分之一原图大小的区域，得到另一个候选区域；通过图片拆分共得到九个候选区域。5.根据权利要求4所述的方法，其特征在于，在将所述包含可疑目标的候选区域图像输入所述训练好的无人机检测网络之前，还包括：对所述包含可疑目标的候选区域图像进行超分辨率重建。6.根据权利要求5所述的方法，其特征在于，将所述包含可疑目标的候选区域图像输入所述训练好的无人机检测网络，进行无人机检测，若检测判定所述可疑目标为无人机，则输出标有目标框的检测结果，包括：将所述包含可疑目标的候选区域图像输入所述训练好的无人机检测网络，进行无人机检测；
若检测判定所述可疑目标为无人机，将所述候选区域图像中检测出的目标框映射回原图，计算目标相对原始图像的位置，在原图中进行标注；输出标有目标框的图片或视频。7.根据权利要求1至6任意一项所述的方法，其特征在于，在输出标有目标框的图片或视频后，还包括：保存出现无人机目标的视频图像帧。8.一种无人机检测装置，其特征在于，所述装置包括：训练集获取模块，用于在训练阶段，获取包括无人机目标的训练数据集，进行标注并预处理后得到输入图像；训练模块，用于将所述输入图像输入改进的yolov5网络进行无人机检测；所述改进的yolov5网络减少了主干网络的下采样层数，去除了原yolov5网络的第三个检测头支路，将原yolov5第二个检测头支路的输出进一步上采样后与主干网络第四层的输出进行拼接，得到第一检测头支路的输出；通过所述训练数据集对所述改进的yolov5网络进行训练，得到训练好的无人机检测网络；可疑目标确定模块，用于在应用阶段，获取城市监控摄像头的实时视频数据，通过运动目标检测算法从所述实时视频数据中提取包含可疑目标的帧图像，并确定可疑目标的位置信息；候选区域确定模块，用于将所述包含可疑目标的帧图像拆分成多个候选区域，根据所述可疑目标的位置信息确定所述多个候选区域中包含可疑目标的候选区域；无人机检测模块，用于将所述包含可疑目标的候选区域图像输入所述训练好的无人机检测网络，进行无人机检测，若检测判定所述可疑目标为无人机，则输出标有目标框的检测结果。9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

技术总结
本申请涉及一种无人机检测方法、装置、计算机设备和存储介质。所述方法包括：对YoloV5网络进行改进，减少主干网络的下采样层数，去除原YoloV5网络的第三个检测头，将原YoloV5第二个检测头的输出进一步上采样后与主干网络第四层的输出进行拼接；通过训练得到训练好的无人机检测网络；在应用阶段，通过运动目标检测算法从实时视频数据中提取包含可疑目标的帧图像，并确定可疑目标的位置信息；将包含可疑目标的帧图像拆分成多个候选区域，确定包含可疑目标的候选区域，输入训练好的无人机检测网络，进行无人机检测，若检测判定可疑目标为无人机，则输出标有目标框的检测结果。本发明提高了无人机的检出率，大大减少了计算成本。大大减少了计算成本。大大减少了计算成本。


技术研发人员：谢剑斌 束伟
受保护的技术使用者：湖南中科助英智能科技研究院有限公司
技术研发日：2022.02.18
技术公布日：2022/5/25